Dada la dificultad de compartir información sobre la base de datos original, generamos una submuestra que permitiera responder a nuestra pregunta de investigación sobre la relación entre el policonsumo a la admisión y el tiempo a abandonar el tratamiento.
Objectivos: Estimar los efectos de policonsumo a la base en las probabilidades de (i) completar el tratamiento a la base y (ii) contactar con el sistema de justicia posterior a tratamiento a los 1 & 3 años de seguimiento.
Diseño: Cohorte retrospectiva de una unión de registros administrativos. Data: Registros de tratamientos por trastorno por uso de sustancias en Chile, unido a registros de Fiscalía de dichos pacientes mediante un proceso determinístico.
Exposición: Policonsumo a la base (usar >1 sustancia al ingreso a tratamiento); Modificador del efecto: Resultado de tratamiento (completar vs. abandono/desvinculado por comportamiento); Resultado: contacto con el sistema de justicia (cometer un delito que lleva a sentencia definitiva condenatoria).
Se ajustó por las siguientes variables:
edad_al_ing_1(*)
sex
edad_ini_cons
escolaridad_rec
condicion_ocupacional_corr
sus_principal_mod
num_hijos_mod_joel_bin
tenencia_de_la_vivienda_mod
macrozona
n_off_vio
n_off_acq
n_off_sud
n_off_oth
dg_cie_10_rec
dg_trs_cons_sus_or
clas_r
porc_pobr
sus_ini_mod_mvv
ano_nac_corr
con_quien_vive_joel
fis_comorbidity_icd_10
(*) En un estudio previo con los mismos datos, el modelo que encontró mejor ajuste a los datos sin violar el supuesto de linealidad de la variables llevó a cabo dicha transformación. Dado que el objetivo de estudio está puesto en el policonsumo y su impacto sobre completar el tratamiento, se sacrificó interpretabilidad de la variable por el ajuste del modelo.
Figure 1: Balance (en diferencias medias estandarizadas) en covariables (rojo= antes de pareamiento; azul= después de pareados)
Figure 2: Esquema Multiestado
| Desde (Estado) | Hacia (Estado) | Tiempo (en años) | Sin policonsumo (95%IC) | Con policonsumo (95%IC) |
|---|---|---|---|---|
| 1 | 2 | 1 | 18.0 (17.2, 18.9) | 17.6 (16.7, 18.4) |
| 1 | 3 | 1 | 6.7 (6.1, 7.3) | 6.5 (5.9, 7.1) |
| 2 | 3 | 1 | 13.0 (7.4, 21.0) | 12.9 (6.9, 20.6) |
| 1 | 2 | 3 | 28.4 (27.4, 29.6) | 27.9 (26.6, 29.0) |
| 1 | 3 | 3 | 20.2 (19.3, 21.1) | 19.9 (18.9, 20.9) |
| 2 | 3 | 3 | 22.7 (17.6, 30.0) | 22.4 (17.3, 29.5) |
Hay 21 casos con 0 días en tratamiento. Redondeamos a 0.001. Lo anterior debido a que el método de estimación “breslow” no permite empates (requiere cierto tiempo al evento) para el modelo cox. Dicha aproximación ha sido utilizada por Williams y colabs, y Putter y colabs. \(^{[17; 20; 18; 16]}\).
Probabilidades de transicion: Las personas que completaron el tratamiento tuvieron menores riesgos de contacto con el sistema de justicia versus aquellos que abandonaron el tratamiento tardía y tempranamente.
Mayor exposición a los programas de tratamiento en Chile, menor probabilidad de contacto con el sistema de justicia en el tiempo. La asociación y la gradiente es más definida en relación al encarcelamiento.
Tiempos de estadía esperados: El tiempo de estadía en admisión a los 3 años es de 2.1 (95% CI: 2.08, 2.11) años para quienes no presentan policonsumo a la base, mientras que los que presentan policonsumo tienen un tiempo de estadía de 2.11 (95% CI: 2.1, 2.13) años, lo que podría significar que tanto pacientes con y sin policonsumo se mantienen sin completar tratamiento o contactar el sistema de justicia de manera similar. Por otra parte, en quienes completan tratamiento, el tiempo de estadía promedio sin experimentar la comisión de un delito es de 2.55 (95% CI: 2.34, 2.71) para quienes no presentan policonsumo, y de 2.56 (95% CI: 2.36, 2.72) para quienes sí presentan policonsumo a la base. De lo antedicho se desprende que en promedio quienes completan se mantienen en mayor medida sin contactar el sistema de justicia en promedio, aunque no se constata una asociación entre policonsumo y tiempos de estadía en cada estado.
Haber pareado puede sesgar los grupos comparados, ya que la mayoría de los usuarios pareados parecen representar en mayor medida a las características al ingreso a tratamiento del grupo que no presenta policonsumo (81% vs. 28%), por lo que la asociación no es del todo generalizable a aquellos pacientes en los que no hubo superposición de características (ej., particularmente vulnerables o marginalizados). Por otra parte, de los resultados se desprende que en promedio quienes completan el tratamiento se mantienen por mayor tiempo sin contactar el sistema de justicia, aunque el mecanismo detrás permanece sin estudiarse.
[1] A. A. Duke et al. “Alcohol, drugs, and violence: A meta-meta-analysis.”. In: Psychology of Violence 8.2 (mar.. 2018), pp. 238-249. ISSN: 2152-081X. DOI: 10.1037/vio0000106.
[2] N. F. Sugie et al. “Beyond Incarceration: Criminal Justice Contact and Mental Health”. In: American Sociological Review 82.4 (ago.. 2017), pp. 719-743. ISSN: 0003-1224. DOI: 10.1177/0003122417713188.
[3] E. G. Thomas et al. “Association between contact with mental health and substance use services and reincarceration after release from prison”. In: PLOS ONE 17.9 (sept.. 2022), p. e0272870. ISSN: 1932-6203. DOI: 10.1371/journal.pone.0272870.
[4] A. N. Hassan et al. “Polydrug use disorders in individuals with opioid use disorder”. In: Drug and Alcohol Dependence 198 (may.. 2019), pp. 28-33. ISSN: 03768716. DOI: 10.1016/j.drugalcdep.2019.01.031.
[5] L. Wang et al. “Polydrug use and its association with drug treatment outcomes among primary heroin, methamphetamine, and cocaine users”. In: International Journal of Drug Policy 49 (nov.. 2017), pp. 32-40. ISSN: 09553959. DOI: 10.1016/j.drugpo.2017.07.009.
[6] J. A. Ford et al. “Types of criminal legal system exposure and polysubstance use: Prevalence and correlates among U.S. adults in the National Survey on Drug Use and Health, 2015–2019”. In: Drug and Alcohol Dependence 237 (ago.. 2022), p. 109511. ISSN: 03768716. DOI: 10.1016/j.drugalcdep.2022.109511.
[7] W. White. Recovery/remission from substance use disorders: an analysis of reported outcomes in 415 scientific reports, 1868–2011. 2012. mar.. 14, 2023. <URL: https://www.naadac.org/assets/2416/whitewl2012_recoveryremission_from_substance_abuse_disorders.pdf> (visited on 03/14/2023).
[8] H. W. Andersson et al. “Relapse after inpatient substance use treatment: A prospective cohort study among users of illicit substances”. In: Addictive Behaviors 90 (mar.. 2019), pp. 222-228. ISSN: 03064603. DOI: 10.1016/j.addbeh.2018.11.008.
[9] C. Timko et al. “Systematic Review of Criminal and Legal Involvement After Substance Use and Mental Health Treatment Among Veterans: Building Toward Needed Research”. In: Substance Abuse: Research and Treatment 14 (ene.. 2020), p. 117822181990128. ISSN: 1178-2218. DOI: 10.1177/1178221819901281.
[10] J. C. Reyes et al. “Prevalence and Patterns of Polydrug Use in Latin America: Analysis of Population-based Surveys in Six Countries”. In: Review of European Studies 5.1 (feb.. 2013). ISSN: 1918-7181. DOI: 10.5539/res.v5n1p10.
[11] R. Santis B et al. “Consumo de sustancias y conductas de riesgo en consumidores de pasta base de caca'ina no consultantes a servicios de rehabilitación”. In: Revista médica de Chile 135.1 (ene.. 2007). ISSN: 0034-9887. DOI: 10.4067/S0034-98872007000100007.
[12] C. F. Olivari et al. “Polydrug Use and Co-occurring Substance Use Disorders in a Respondent Driven Sampling of Cocaine Base Paste Users in Santiago, Chile”. In: Journal of Psychoactive Drugs 54.4 (ago.. 2022), pp. 348-357. ISSN: 0279-1072. DOI: 10.1080/02791072.2021.1976886.
[13] D. E. Ho et al. “MatchIt: Nonparametric Preprocessing for Parametric Causal Inference”. In: Journal of Statistical Software 42.8 (2011), pp. 1-28. DOI: 10.18637/jss.v042.i08.
[14] N. Greifer et al. “Matching Methods for Confounder Adjustment: An Addition to the Epidemiologist’s Toolbox”. In: Epidemiologic Reviews (2021). ISSN: 1478-6729. DOI: 10.1093/epirev/mxab003. <URL: https://doi.org/10.1093/epirev/mxab003>.
[15] J. M. Gran et al. “Causal inference in multi-state models–sickness absence and work for 1145 participants after work rehabilitation”. In: BMC Public Health 15.1 (2015), p. 1082. ISSN: 1471-2458. DOI: 10.1186/s12889-015-2408-8. <URL: https://doi.org/10.1186/s12889-015-2408-8>.
[16] L. C. de Wreede et al. “mstate: An R Package for the Analysis of Competing Risks and Multi-State Models”. In: Journal of Statistical Software; Vol 1, Issue 7 (2011) (2011). <URL: https://www.jstatsoft.org/v038/i07http://dx.doi.org/10.18637/jss.v038.i07>.
[17] C. H. Jackson. “flexsurv: A Platform for Parametric Survival Modeling in R”. In: Journal of statistical software 70 (2016), p. i08. ISSN: 1548-7660. DOI: 10.18637/jss.v070.i08. <URL: https://pubmed.ncbi.nlm.nih.gov/29593450https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5868723/>.
[18] N. Gunnes et al. “Estimating stage occupation probabilities in non-Markov models”. In: Lifetime Data Analysis 13.2 (2007), pp. 211-240. ISSN: 1572-9249. DOI: 10.1007/s10985-007-9034-4. <URL: https://doi.org/10.1007/s10985-007-9034-4>.
[19] M. E. Payton et al. “Overlapping confidence intervals or standard error intervals: what do they mean in terms of statistical significance?” En. In: J. Insect Sci. 3.1 (oct.. 2003), p. 34.
[20] H. Putter et al. “Tutorial in biostatistics: competing risks and multi-state models”. In: Statistics in Medicine 26.11 (2007), pp. 2389-2430. ISSN: 0277-6715. DOI: https://doi.org/10.1002/sim.2712. <URL: https://doi.org/10.1002/sim.2712>.